使用Prophet预言家进行时间序列预测

最新推荐文章于 2025-07-07 12:29:30 发布

原创

最新推荐文章于 2025-07-07 12:29:30 发布 · 1.4k 阅读

8 ·

CC 4.0 BY-SA版权

本文介绍了Facebook开源的Prophet时间序列预测工具，强调其在处理具有季节性和特殊事件影响的数据上的优势，包括模型的结构、优点和局限性，以及如何使用和评估。通过美国能源消耗数据实例展示了Prophet的使用方法和预测性能。

prophet是facebook在2017年开源的强大的时间序列预测工具。

prophet(读作 ˈprɒfɪt)这个英文单词的意思是先知，预言家(没错，就是天黑请睁眼的那位😋)。顾名思义，它能够预测未来。

Prophet是一个设计精妙的单层的回归模型，特别适合对具有明显季节周期性(如气温，商品销量，交通流量等)的时间序列进行预测，并具有强大的解释性。

我们将简要介绍Prophet框架的算法原理，并以一个开源的能源消耗时间序列数据预测为例，展示prophet的使用方法和强大能力。

公众号算法美食屋后台回复关键词：prophet，获取本教程notebook代码和数据集下载链接~

预测效果展示：

〇，Prophet原理概述

1，prophet的优点：

1，拟合能力强。可以拟合时间序列数据中的趋势特性，周期特性，以及节假日时间/特殊事件影响等，可以返回置信区间作为预测结果。

2，对噪声鲁棒。趋势项中引入了changepoints，模型的参数量远远小于lstm等深度方案，不容易过拟合，收敛迅速。

3，模型解释性好。提供了强大的可视化分析辅助工具，便于分析趋势，不同周期，不同节假日/特殊事件各自的贡献。

2，prophet的缺点：

1，不适用协变多维序列。prophet仅仅能够对单个时间序列建模(例如某地气温)，不能够对协变的多个序列同时建模(例如沪深300支股票走势)。

2，无法进行自动化复杂特征抽取。受prophet模型相对简单的假设空间的限制，它无法对输入特征进行交叉组合变换等自动化抽取操作。

3，prophet的原理：

prophet是一个加法模型，将时间序列分解成趋势项，周期项，节假日项/特殊事件影响，以及残差项的组合。

【注：根据需要，也可以将周期项和节假日项/特殊事件影响设置为乘数，而非加数】

1，其中趋势项被拟合成分段线性函数(默认) 或者分段logistic函数(存在上下限的情形，如虫口模型，病毒传播等存在容量上限)。

2，周期项使用有限阶(通常对一个是3到8阶)的傅里叶级数进行拟合，大大减少了参数量，避免对噪声数据过拟合。

3，节假日项/特殊事件项可以作为点特征或者区间特征引入，并支持自定义不同类型的节假日或事件，还可通过add_regressor引入其它已知序列作为特征，非常灵活。

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
plt.style.use('fivethirtyeight') # For plots

一，准备数据

我们使用的数据集是美国能源消耗数据集。该数据集包含了美国一家能源公司的长达数十年的能源消耗数据，数据分辨率为小时。

1，读取数据

dfdata = pd.read_csv('PJME_hourly.csv',
                   index_col=[0], parse_dates=[0])
dfdata.columns = ['y']  #将预测目标列名称改为y 
dfdata.index.name = 'ds'   #将时间序列名称改为ds

# Color pallete for plotting
color_pal = ["#F8766D", "#D39200", "#93AA00",
             "#00BA38", "#00C19F", "#00B9E3",
             "#619CFF", "#DB72FB"]
dfdata.plot(style='.', figsize=(15,5), color=color_pal[1], title='PJM East')
plt.show()